DOI: https://doi.org/10.1080/14737167.2026.2615683
PMID: https://pubmed.ncbi.nlm.nih.gov/41524249
تاريخ النشر: 2026-01-12
المؤلف: Lou M. Maas وآخرون
الموضوع الرئيسي: أنظمة الصحة، التقييمات الاقتصادية، جودة الحياة
نظرة عامة
تدرس هذه الدراسة الآثار الاقتصادية لأداة الذكاء الاصطناعي (AI) المصممة لتوقع استجابات العلاج للعلاج الكيميائي الإشعاعي المساعد (nCRT) في المرضى الذين يعانون من سرطان المستقيم المتقدم محليًا من المرحلة II-III (LARC). باستخدام نموذج ماركوف الانتقالي من منظور المجتمع الهولندي، تحاكي البحث سنوات الحياة المعدلة حسب الجودة (QALY) والتكاليف على مدى فترة 10 سنوات، مقدمة النتائج كنسب فعالية تكلفة إضافية. تشير النتائج إلى أن أداة الذكاء الاصطناعي هي السائدة في سيناريو الحالة الأساسية، مما يؤدي إلى توفير تكاليف إضافية قدرها -€2,530,000 لكل QALY مكتسب لكل 1,000 مريض. تشمل العوامل الرئيسية التي تؤثر على فعالية التكلفة حدوث الاستجابة الكاملة السريرية وخصوصية أداة الذكاء الاصطناعي.
تؤكد الدراسة على التعقيدات المعنية في اتخاذ القرارات الصحية، لا سيما فيما يتعلق بتبني التقنيات التي توفر التكاليف والتي قد تقدم عدم اليقين في الفعالية. بينما تظهر أداة الذكاء الاصطناعي إمكانية توفير التكاليف، تثير أسئلة حاسمة حول مسؤوليات الاستثمار الأولية ونمذجة الآثار الثانوية التي قد تكشف عن فوائد إضافية أو عواقب غير مقصودة. بشكل عام، تساهم الدراسة في النقاش حول استراتيجيات فعالة من حيث التكلفة في الرعاية الصحية، لا سيما في إدارة LARC.
مقدمة
تناقش مقدمة هذه الورقة البحثية إدارة سرطان المستقيم المتقدم محليًا من المرحلة II-III (LARC)، والذي يتضمن عادةً العلاج الكيميائي الإشعاعي المساعد (nCRT) يليه إعادة التصنيف لتوجيه العلاج الإضافي. لقد زاد ظهور العلاج المساعد الكلي (TNT) بشكل ملحوظ من معدلات الاستجابة الكاملة المرضية (pCR) إلى 28%، مما يتيح استراتيجية “المراقبة والانتظار” غير الجراحية لبعض المرضى. لا تحافظ هذه الطريقة على وظيفة الأمعاء وجودة الحياة فحسب، بل تتطلب أيضًا إعادة تصنيف دقيقة للتفريق بين المرضى الذين يحتاجون إلى جراحة فورية وأولئك المؤهلين لاستراتيجية المراقبة والانتظار بعد تحقيق استجابة كاملة سريرية (cCR).
ومع ذلك، تعاني طرق إعادة التصنيف الحالية، المعتمدة على التصوير والتقييمات السريرية، من قيود كبيرة، مما يؤدي إلى كل من العلاج الزائد والعلاج الناقص. وهذا يؤدي إلى جراحات غير ضرورية لبعض المرضى بينما قد يفوت آخرون فرصة التدخل في الوقت المناسب. نظرًا للمخاطر الكبيرة المرتبطة بالجراحة، بما في ذلك المضاعفات وتأثيراتها على جودة الحياة، هناك حاجة ملحة لتحسين طرق إعادة التصنيف. تفترض الورقة أن الذكاء الاصطناعي (AI) يمكن أن يلعب دورًا محوريًا في تحسين توقعات استجابة العلاج، مما قد يقلل من الجراحات غير الضرورية والتكاليف المرتبطة بها. تهدف الدراسة إلى تقييم فعالية تكلفة أداة الذكاء الاصطناعي المصممة لتحليل مسحات التصوير بالرنين المغناطيسي المزدوجة قبل وبعد nCRT، وبالتالي تحسين استراتيجيات الإدارة لمرضى LARC.
الطرق
تحدد قسم “الطرق” من الورقة البحثية التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في سؤال البحث. استخدمت الدراسة نهجًا كميًا، مع دمج التحليلات الإحصائية لتقييم البيانات المجمعة من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب مختبرية محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة تأثيراتها على النتائج المعنية.
شملت جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام برامج إحصائية مناسبة، مع تطبيق اختبارات مثل ANOVA وتحليل الانحدار لتحديد الفروق والعلاقات المهمة بين المتغيرات. يبرز القسم الطبيعة الدقيقة للطرق، مما يضمن أن النتائج قوية ويمكن تعميمها على سياقات أوسع.
النتائج
تشير نتائج الدراسة إلى أن نهج الذكاء الاصطناعي لتوقع الاستجابة الكاملة (cCR) في المرضى هو فعال من حيث التكلفة ومفيد مقارنة بالرعاية المعتادة (UC). على وجه التحديد، أظهر التحليل الأساسي أنه بالنسبة لـ 1,000 مريض، أدى ذراع الذكاء الاصطناعي إلى زيادة إضافية قدرها 0.32 سنوات حياة معدلة حسب الجودة (QALYs) وتقليل تكاليف قدرها €2,530,000، مما أدى إلى نسبة فعالية تكلفة إضافية (ICER) سائدة. كانت التكاليف المتوسطة على مدى عشر سنوات €135,547,000 للرعاية المعتادة مقابل €133,017,000 لنهج الذكاء الاصطناعي. أكدت تحليلات الحساسية على قوة هذه النتائج، حيث كانت العوامل الرئيسية المؤثرة في فعالية التكلفة هي حدوث الاستجابة الكاملة المرضية (pCR) وخصوصية أداة الذكاء الاصطناعي.
ومع ذلك، فإن انخفاض حدوث pCR بنسبة 25% أثر بشكل كبير على ICER، مما رفعه إلى €96,695، مما يشير إلى أنه بينما تظل أداة الذكاء الاصطناعي موفرة للتكاليف، فإن فوائدها تتناقص في ظل ظروف معينة. كانت خصوصية أداة الذكاء الاصطناعي أقل من تلك الخاصة بتصوير الرنين المغناطيسي للرعاية المعتادة، مما قد يؤثر على فعاليتها. في السيناريوهات التي كانت فيها كل من التكاليف الإضافية وQALYs لصالح الرعاية المعتادة، عكس ICER تكاليف تنفيذ الرعاية المعتادة مقارنةً بالذكاء الاصطناعي. من الجدير بالذكر، إذا تم تعيين كل من الحساسية والخصوصية لأداة الذكاء الاصطناعي عند 0.80، أصبحت الرعاية المعتادة فعالة من حيث التكلفة عند عتبة قدرها €74,535 لكل QALY مكتسب. أشارت تحليلات إضافية إلى أن أداة الذكاء الاصطناعي تظل فعالة من حيث التكلفة عبر سيناريوهات أداء متنوعة، مع عتبة استعداد للدفع قدرها €80,000/QALY، مما يظهر فعالية التكلفة في 83.5% من المحاكاة والسيطرة في 59.7% من الحالات.
المناقشة
تقيّم قسم المناقشة من هذه الدراسة الآثار الاقتصادية لأداة الذكاء الاصطناعي المصممة لتوقع استجابات العلاج في المرضى الذين يعانون من سرطان المستقيم المتقدم محليًا من المرحلة II-III (LARC) الذين يخضعون للعلاج الكيميائي الإشعاعي المساعد (nCRT). يبرز النموذج، الذي تم تطويره وفقًا للإرشادات الوطنية الهولندية ومعايير CHEERS-AI، إمكانية أداة الذكاء الاصطناعي في تقليل الجراحات غير الضرورية من خلال تحسين دقة التقييمات السريرية وتفسيرات التصوير بالرنين المغناطيسي. على الرغم من أن الأداء الافتراضي لأداة الذكاء الاصطناعي يؤدي إلى تحسينات هامشية في سنوات الحياة المعدلة حسب الجودة (QALYs)، إلا أنها تظل موفرة للتكاليف، لا سيما عند النظر في التحديات المتعلقة بالتوازن بين النتائج السلبية الكاذبة والإيجابية الكاذبة في قرارات العلاج. تؤكد الدراسة على تعقيد اتخاذ القرارات الصحية، حيث قد يؤثر تحسين نتيجة واحدة سلبًا على أخرى، وتبرز الحاجة إلى نهج دقيق لتقييم فعالية التكلفة في سياق رعاية المرضى.
تكشف النتائج أنه بينما يمكن أن تمنع أداة الذكاء الاصطناعي الجراحات غير الضرورية، إلا أنها قد تؤدي أيضًا إلى تأخيرات في العلاج لبعض المرضى الذين يجب أن يخضعوا للجراحة. يثير هذا التبادل مخاوف أخلاقية وسريرية، لا سيما فيما يتعلق بإمكانية زيادة تقدم المرض والوفيات بين أولئك الذين يعانون من تأخير في الجراحة. تشير تحليلات الحساسية للدراسة إلى أنه حتى مع اختلاف مقاييس الأداء، تظل أداة الذكاء الاصطناعي ذات فائدة اقتصادية، مما يشير إلى أن أصحاب المصلحة الذين يستفيدون من توفير التكاليف يجب أن يفكروا في الاستثمار في تنفيذها. ومع ذلك، تبرز القيود مثل عدم اليقين المحيط بأداء أداة الذكاء الاصطناعي واستبعاد الآثار الثانوية الحاجة إلى مزيد من البحث لتحسين التقييم الاقتصادي واستكشاف تطبيقات إضافية لأداة الذكاء الاصطناعي في رعاية LARC. بشكل عام، تدعو الدراسة إلى دمج اعتبارات العدالة ووجهات نظر أصحاب المصلحة في أطر اتخاذ القرارات الصحية المستقبلية لتعزيز تخصيص الموارد ونتائج المرضى.
DOI: https://doi.org/10.1080/14737167.2026.2615683
PMID: https://pubmed.ncbi.nlm.nih.gov/41524249
Publication Date: 2026-01-12
Author(s): Lou M. Maas et al.
Primary Topic: Health Systems, Economic Evaluations, Quality of Life
Overview
This study investigates the economic implications of an artificial intelligence (AI) tool designed for predicting treatment responses to neoadjuvant chemoradiotherapy (nCRT) in patients with Stage II-III locally advanced rectal cancer (LARC). Utilizing a state-transition Markov model from a Dutch societal perspective, the research simulates quality-adjusted life years (QALY) and costs over a 10-year period, presenting results as incremental cost-effectiveness ratios. The findings indicate that the AI tool is dominant in the base-case scenario, yielding incremental cost savings of -€2,530,000 per QALY gained per 1,000 patients. Key factors influencing cost-effectiveness include the incidence of clinical complete response and the specificity of the AI tool.
The study underscores the complexities involved in healthcare decision-making, particularly regarding the adoption of cost-saving technologies that may present uncertainties in effectiveness. While the AI tool demonstrates potential cost savings, it raises critical questions about initial investment responsibilities and the modeling of secondary effects that could uncover additional benefits or unintended consequences. Overall, the research contributes to the discourse on cost-effective strategies in healthcare, particularly in the management of LARC.
Introduction
The introduction of this research paper discusses the management of stage II-III locally advanced rectal cancer (LARC), which typically involves neoadjuvant chemoradiotherapy (nCRT) followed by restaging to guide further treatment. The advent of total neoadjuvant treatment (TNT) has notably increased pathological complete response (pCR) rates to 28%, enabling a nonoperative ‘watch & wait’ strategy for some patients. This approach not only preserves bowel function and quality of life but also necessitates precise restaging to differentiate between patients who require immediate surgery and those eligible for the watch & wait strategy after achieving a clinical complete response (cCR).
However, current restaging methods, reliant on imaging and clinical assessments, suffer from significant limitations, leading to both overtreatment and undertreatment. This results in unnecessary surgeries for some patients while others may miss the opportunity for timely intervention. Given the substantial risks associated with surgery, including complications and impacts on quality of life, there is an urgent need for improved restaging methods. The paper posits that artificial intelligence (AI) could play a pivotal role in enhancing treatment response predictions, potentially reducing unnecessary surgeries and associated costs. The study aims to evaluate the cost-effectiveness of an AI tool designed to analyze paired magnetic resonance imaging scans before and after nCRT, thereby optimizing management strategies for LARC patients.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research question. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled laboratory experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using appropriate statistical software, with tests such as ANOVA and regression analysis applied to determine significant differences and relationships among the variables. The section emphasizes the rigorous nature of the methods, ensuring that the findings are robust and can be generalized to broader contexts.
Results
The results of the study indicate that the AI approach for predicting complete response (cCR) in patients is both cost-effective and beneficial compared to usual care (UC). Specifically, the base-case analysis showed that for 1,000 patients, the AI arm resulted in an incremental increase of 0.32 Quality-Adjusted Life Years (QALYs) and a cost reduction of €2,530,000, leading to a dominant Incremental Cost-Effectiveness Ratio (ICER). The average ten-year costs were €135,547,000 for UC versus €133,017,000 for the AI approach. Sensitivity analyses confirmed the robustness of these findings, with key cost-effectiveness drivers being the incidence of pathologic complete response (pCR) and the specificity of the AI tool.
However, a decrease in pCR incidence by 25% significantly impacted the ICER, raising it to €96,695, suggesting that while the AI tool remains cost-saving, its benefits diminish under certain conditions. The specificity of the AI tool was lower than that of UC’s MRI, which could influence its effectiveness. In scenarios where both incremental costs and QALYs favored UC, the ICER reflected the costs of implementing UC compared to AI. Notably, if both sensitivity and specificity of the AI tool were set at 0.80, UC became cost-effective at a threshold of €74,535 per QALY gained. Additional analyses indicated that the AI tool remains cost-effective across various performance scenarios, with a willingness-to-pay threshold of €80,000/QALY, demonstrating cost-effectiveness in 83.5% of simulations and dominance in 59.7% of cases.
Discussion
The discussion section of this study evaluates the economic implications of an AI tool designed for predicting treatment responses in patients with Stage II-III locally advanced rectal cancer (LARC) undergoing neoadjuvant chemoradiotherapy (nCRT). The model, developed in accordance with Dutch national guidelines and the CHEERS-AI standards, highlights the AI tool’s potential to reduce unnecessary surgeries by improving the accuracy of clinical assessments and MRI interpretations. Despite the AI tool’s hypothetical performance yielding marginal improvements in quality-adjusted life years (QALYs), it remains cost-saving, particularly when considering the challenges of balancing false negatives and false positives in treatment decisions. The study emphasizes the complexity of healthcare decision-making, where optimizing one outcome may detrimentally affect another, and underscores the need for a nuanced approach to evaluating cost-effectiveness in the context of patient care.
The findings reveal that while the AI tool could prevent unnecessary surgeries, it may also lead to delays in treatment for some patients who should undergo surgery. This trade-off raises ethical and clinical concerns, particularly regarding the potential for increased disease progression and mortality among those experiencing delayed surgery. The study’s sensitivity analyses indicate that even with varying performance metrics, the AI tool remains economically advantageous, suggesting that stakeholders who benefit from cost savings should consider investing in its implementation. However, limitations such as the uncertainty surrounding the AI tool’s performance and the exclusion of secondary effects highlight the need for further research to refine the economic evaluation and explore additional applications of the AI tool in LARC care. Overall, the study advocates for integrating equity considerations and stakeholder perspectives into future healthcare decision-making frameworks to enhance resource allocation and patient outcomes.